会員登録をお勧めします。無料です。

WHITE CROSSは若手歯科医師の3人に1人が登録する、国内最大級の歯科向け情報サイトです。
歯科医師のみならず、医療関係者の皆様へ最新の臨床・経営、ニュース、イベント情報などを配信しています

無料の会員登録で、以下の機能がご利用いただけるようになります

お役立ちツール

コミュニティ

ドクタートークや記事へのコメント、統計への参加や結果参照など、ユーザー様参加型コンテンツへアクセスできます。

論文検索

論文検索

日本語AIで読むPubMed論文検索機能へ自由にアクセス可能です。

ライブセミナー

ライブセミナー

LIVEセミナーやVODによるWebセミナーへの視聴申し込みが可能です。
※別途視聴費用のかかるものがあります。

PFBNet: 遺伝子制御ネットワーク推論のための先験的なブースティング手法 | 日本語AI翻訳でPubMed論文検索 | WHITE CROSS 歯科医師向け情報サイト

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。
BMC Bioinformatics.2020 Jul;21(1):308. 10.1186/s12859-020-03639-7. doi: 10.1186/s12859-020-03639-7.Epub 2020-07-14.

PFBNet: 遺伝子制御ネットワーク推論のための先験的なブースティング手法

PFBNet: a priori-fused boosting method for gene regulatory network inference.

  • Dandan Che
  • Shun Guo
  • Qingshan Jiang
  • Lifei Chen
PMID: 32664870 PMCID: PMC7362553. DOI: 10.1186/s12859-020-03639-7.

抄録

背景:

遺伝子発現データから遺伝子制御ネットワーク(GRN)を推定することは、システムバイオロジーの課題である。過去10年の間に、GRNを推論するための多くの手法が開発されてきた。しかし、データがノイズが多く高次元であることや、多数の潜在的な相互作用が存在することなどから、未だに課題となっています。

BACKGROUND: Inferring gene regulatory networks (GRNs) from gene expression data remains a challenge in system biology. In past decade, numerous methods have been developed for the inference of GRNs. It remains a challenge due to the fact that the data is noisy and high dimensional, and there exists a large number of potential interactions.

結果:

本研究では、Boostingの非線形モデルと事前情報(ノックアウトデータなど)の融合スキームを用いて、時系列発現データからGRNを推論するための新規手法であるpriorori-fused boosting network inference method (PFBNet)を提案する。具体的には、PFBNetでは、まず、過去の時点での遺伝子発現の蓄積影響に関する情報を考慮したブースティングに基づくモデルを用いて、調節関係の信頼度を計算する。次に、新たに定義した戦略を適用して、対応する調節因子からの調節関係の信頼度を高めることで、過去のデータからの情報を融合させる。

RESULTS: We present a novel method, namely priori-fused boosting network inference method (PFBNet), to infer GRNs from time-series expression data by using the non-linear model of Boosting and the prior information (e.g., the knockout data) fusion scheme. Specifically, PFBNet first calculates the confidences of the regulation relationships using the boosting-based model, where the information about the accumulation impact of the gene expressions at previous time points is taken into account. Then, a newly defined strategy is applied to fuse the information from the prior data by elevating the confidences of the regulation relationships from the corresponding regulators.

結論:

DREAMチャレンジのベンチマークデータと大腸菌データを用いた実験の結果、PFBNetは他の最新手法(Jump3, GEINE3-lag, HiDi, iRafNet, BiXGBoost)と比較して有意に優れた性能を達成することがわかった。

CONCLUSIONS: The experiments on the benchmark datasets from DREAM challenge as well as the E.coli datasets show that PFBNet achieves significantly better performance than other state-of-the-art methods (Jump3, GEINE3-lag, HiDi, iRafNet and BiXGBoost).